Upload
others
View
20
Download
0
Embed Size (px)
Citation preview
I
TEMPUS PROJEKT: 516678 TEMPUS-1-2011-1-DE-TEMPUS-JPCR:
ANPASSUNG DES LEHRBETRIEBS AN DEN BOLOGNA PROZESS
IM INGENIEURSTUDIUM FÜR ASERBAIDSCHAN
Vorlesungsskript: Prozessanalyse und Systemidentifikation
Für Studiengang: Bachelor-Automatisierunmgstechnik und
El.Energiertechnik
Mühazirələr konspekti: Proseslərin analizi və identifikasiyası
“Proseslərin avtomatlaşdırılması mühəndisliyi"
və “ Elektroenergetika mühəndisliyi” ixtisaslarının bakalavr səviyyəsi tələbələri üçün
Prof. Dr. Ing. Yusifov Salahaddin (ASEIU)
Prof. Dr. Ing. Rzayev Tofig (AzTU)
Dr. Ing. Mammadov Valeh (SUS)
Baku 2015
2
Prozessanalyse und Systemidentifikation
1. Automatisierungsprozesse und System-Identifikation 6
1.1 Aufgaben der Prozess Analys für
Automatisirungstechnik
6
1.2. Arten des Steuerungsprozesse 7
1.3. Modellierung des zu automatisierenden Prozesse 16
2. Entwurf der Experimentelle Prozess-Analyse 22
2.1. Durchführung der Versuche und Analyse durch
Versergebnisse
22
2.2. Identificatik aufgrund des ganze Grwndshick Fanforen 26
2.3. Identificatik aufgrund des ganze Nebenhaunling Fanforen 30
3. Identifikation der linearen statischen Modellen 33
3.1. Identifikation aufgrund des linearen Regressionsmodelles 33
3.2. Identifikation aufgrund des linearen Regressionsmodelles
mit der Mehrheit der Variablen
39
3.3. Vorausbestimmungsmodelle 43
3.4. Identifikation Lineare Prozzesse durch Filtern 48
4. Identifikation der nicht linearen Prozesse 52
4.1. Identifikation durch differenziale Approximation 52
4.2. Identifikation durch stochastische Approximation 56
4.3. Korrelationsabhängigkeit und statische
Identifikationsmethoden
58
4.4. Parabolisches Regressionsmodell 60
4.5. Logarithmisches Regressionsmodell 67
4.6. Exponenziales Regressionsmodell 71
4.7. Identifikation durch die mindeste quadratische Methode
(verallgemeinerte Methode)
74
5. Identifikation der Systeme aufgrund der analytischen
Modeliierung
84
5.1. Analytische Modeliierung und ihre Ausbauprinzipien 84
5.2. Modeliierung und Identifikation aufgrund des
Massenerhaltungssatzes
87
5.3. Modeliierung und Identifikation des Systems aufgrund des 90
3
Erhaltungsgesetz der Bewegungsgröße
5.4. Modeliierung und Identifikation aufgrund der Einordnung
des Stoffes im Zweiphasensystem
91
5.5. Modeliierung und Identifikation der Systeme aufgrund der
Masse- und Energiebeförderung
94
6. Modeliierung und Identifikation der Systeme aufgrund
der Differential- Gleichungen
100
6.1. Analyse und Identifikation der einfachen Prozessen 100
6.2. Analyse und Identifikation der Erdölförderung 107
LITERATUR 118
4
Proseslərin analizi və identifikasiyası
1. İdarəetmə prosesləri və identifikasiya 6
1.1. İdarəetmə proseslərinin növləri 6
1.2. Proseslərin modelləşdirilməsi 7
1.3. İdentifikasiya anlayışı və üsulları 16
2. Eksperimentlərin planlaşdırılması 22
2.1. Təcrübələrin təşkili və sınaq siqnalları vasitəsilə
identifikasiya
22
2.2. Tam faktorlu eksperimentlər əsasında identifikasiya 26
2.3. Kəsr faktorlu eksperimentlər əsasında identifikasiya 30
3. Xətti statik modellərin identifikasiyası 33
3.1. Xətti reqressiya modelləri əsasında identifikasiya 33
3.2. Çoxdəyişənli xətti reqresiya modelləri əsasında
identifikasiya
39
3.3. Proqnozlaşdırma modelləri 43
3.4. Xətti obyektin süzgəclər vasitəsilə identifikasiyası 48
4. Qeyri-xətti statik modellərin identifikasiyası 52
4.1. Parabolik reqresiya əsasında identifikasiya 52
4.2. Loqarifmik reqresiya əsasında identifikasiya 56
4.3. Eksponensial reqresiya əsasında identifikasiya 58
4.4. Ümumiləşmiş ən kiçik kvadratlar üsulu ilə identifikasiya 60
4.5. Diferensial approksimasiya üsulu ilə identifikasiya 67
4.6. Stoxastik approksimasiya üsulu ilə identifikasiya 71
4.7. Statistik identifikasiya üsulları 74
5. Proseslərin analitik modelləşdirmə əsasında
identifikasiyası
84
5.1. Analitik modellər və onların qurulma prinsipləri 84
5.2. Kütlənin saxlanması qanunu əsasında modelləşdirmə və
identifikasiya
87
5.3. Hərəkət miqdarının saxlanması qanunu əsasında sistemin
modelləşdirilməsi və identifikasiyası
90
5.4. Kütlə və enerjinin daşınması əsasında sistemlərin
modelləşdirilməsi və identifikasiyası
91
5
5.5. İkifazlı sistemdə maddənin yerdəyişməsi əsasında
modelləşdirilmə və identifikasiya
94
6. Proseslərin diferensial tənliklər əsasında
modelləşdirilməsi və identifikasiyası
100
6.1. Sadə proseslərin analizi və identifikasiyası 100
6.2. Neftin quyu üsulu ilə çıxarılması analizi və
identifikasiyası
107
ƏDƏBİYYAT 118
6
1. İDARƏETMƏ PROSESLƏRİ VƏ İDENTİFİKASİYA
1.1. İdarəetmə proseslərinin növləri
Obyektlərin identifıkasiyasının və uyğun olaraq, idarə
olunmasının səmərəliliyi bu obyektlərin və onların məruz qaldıqları
xarici təsirlərin xüsusiyyətlərindən, xarakteristikalarından, giriş və
çıxış dəyişənləri arasında olan əlaqələrin və bu dəyişənlər haqqında
olan məlumatların xarakterindən və sairə bu kimi göstəricilərdən
çox asılıdır. Bununla əlaqədar olaraq, proseslər sadə və mürəkkəb
ola bilər. Bu bölünmə həm də idarəetmə obyektlərinin strukturunu
müəyyən edir.
Giriş və sıxış dəyişənləri ilə bir blok kimi təqdim olunan
obyekt sadə obyekt, sonlu sayda sadə obyektlər çoxluğundan ibarət
olan və ya göstərilə bilən obyekt isə mürəkkəb obyekt, kompleks və
yaxud sistem adlandırılır. Texniki vasitələr əsasında qurulmuş
sistem texniki sistem adlanır. Texniki sistemləri öz təyinatlarına
görə istehsal və qeyri-istehsal yönlü sistemlərə ayırmaq olar.
Sistemlər strukturuna görə birsəviyyəli, çoxsəviyyəli olur.
Birsəviyyəli sistemlər öz növbəsində ardıcıl, paralel və qarışıq və
ümumi (düz və əks qarşılıqlı əlaqəli) strukturlu sistemlərə ayrılır.
1) Çoxsəviyyəli sistemlər, adətən, şəbəkəli (iyerarxiyalı) struktura malik olur. Tabeçi elementlər arasında əlaqələr mərkəzi
element vasitəsi ilə yerinə yetirilir.
Sadə obyektlər statik xarakteristikalarının formasına görə xətti,
qeyri-xətti obyektlərə bölünür.
Determinik obyekt dedikdə, nəzərdə tutulur ki, onun çıxış
dəyişənlərinin qiymətləri giriş dəyişənlərinin qiymətləri ilə
birmənalı olaraq təyin olunur, yəni çıxış dəyişənləri vektorunun hər
bir qiymətinə çıxış dəyişənləri vektorunun müəyyən bir qiyməti
uyğun gəlir. Stoxastik obyekt dedikdə isə nəzərdə tutulur ki, çıxış
dəyişənləri ilə giriş dəyişənləri arasında statistik əlaqə mövcuddur,
yəni giriş dəyişənləri vektorunun hər bir qiymətinə çıxış dəyişənləri
7
vektorunun paylanması uyğun gəlir.
Xarakteristikalarının zamandan asılılıq əlamətinə görə
obyektlər stasionar, kvazistasionar, qeyri-stasionar ola bilər.
Proseslərinin xrakteristikası zamana görə dəyişməyən stasionar
obyektlər adlandırılır. Bu sinif obyektlər sabit əmsallı modellərlə
təsvir olunur.
Xarakteristikaları keçid prosesləri ilə müqayisədə zamana görə
cüzi sürətlə dəyişən obyektlər kvazistasionar obyektlər adlandırılır.
Qeyri-stasionar obyektlərin xarakteristikaları zamana görə
sürətlə dəyişir.
“Texnologiya” yunan sözü olub (techne (bacarıq) + logos
(öyrənmə)) məhsulun hazırlanması bacarığı, istehsal proseslərinin
yerinə yetirilməsi üçün üsul və vasitələr haqqında biliklər toplusunu
və həmin proseslərin özlərini ifadə edir. Bu zaman emal olunan
obyektdə keyfiyyət dəyişiklikləri baş verir. Texnoloji proseslərdə
qeyri-mütəşəkkil (kor-təbii) proseslərdən fərqli olaraq, nizamlılıq və
mütəşəkkillik movcuddur. “Texnologiya” termini tarixən maddi
istehsal sahəsi üçün tətbiq olunur. Məsələn, texnoloji proseslər,
neft-kimyası texnologiyası və s. Bu baxımdan kompüter texno-
logiyası baxılan sahədə kompüter texnikasının aparat və proqram
vasitələrindən istifadə texnologiyası deməkdir.
İnformasiya texnologiyası – informasiya ehtiyatlarından
istifadə olunması proseslərinin çətinliyini azaltmaq, onların
etibarlılığını və operativliyini çoxaltmaq məqsədilə informasiyanın
toplanması, ötürülməsi, saxlanması, emalı və istifadəçilərə
çatdırılmasını təmin edən və texnoloji zəncirdə birləşdirilən
metodlar, istehsal prosesləri və texniki-proqram vasitələri
toplusudur.
1.2. Proseslərin modelləşdirilməsi
İnsan özünün gündəlik praktiki fəaliyyətində müxtəlif sistem
və obyektlərdə baş verən prosesləri öyrənməyə və ya onların işi
haqqında qabaqcadan məlumat almağa imkan verən müxtəlif növ
8
modellərdən istifadə edir. Belə ki, idarəetmə nəzəriyyəsində
idarəetmə obyektlərinin riyazi modeli geniş tətbiq tapmışdır və bu
modellər tənzimləmə sistemlərinin həm analiz, həm də sintezi üçün
istifadə olunur.
“İdarəetmə obyekti” anlayışını nəzərdən keçirək. Adətən
idarəetmə obyekti dedikdə bizi əhatə edən mühitin bir hissəsi başa
düşülür və biz bu obyektə məqsədyönlü şəkildə təsir edə, yəni onu
idarə edə bilərik.
Müxtəlif idarəetmə obyektləri ilə işləməyi asanlaşdırmaq
üçün onları aşağıdakı qruplara ayırırlar.
Statik obyektlər;
Dinamik obyektlər;
Xətti obyektlər;
Qeyri-xətti obyektlər;
Kəsilməz obyektlər;
Diskret obyektlər;
Stasionar obyektlər;
Qeyri-stasionar obyektlər;
Toplanmış parametrli obyektlər;
Paylanmış parametrli obyektlər və s. Model dedikdə isə adətən obyektin mühüm xarakteristikaları
haqqında bu və ya digər formada təsvir edilmiş informasiya başa
düşülür. Verilmiş informasiyanın təsvir edilmə üsulundan asılı
olaraq modellər aşağıdakı tiplərə bölünür:
Şifahi və ya verbal modellər;
Fiziki modellər (Tətbiq olunan obyektdəki prosesləri təkrar etməyə imkan verən, bəzən hallarda başqa
təbiətə malik real sistemin kiçildilmiş surəti);
Riyazi modellər (tədqiq olunan obyekt və ya sistem haqqındakı informasiyalar riyazi terminlərlə ifadə
edilir ).
Eyni zamanda riyazi modelər də aşağıdakı qruplara bölünür:
Qrafik;
Cədvəli;
9
Alqoritmik;
Analitik. Məsələn, analitik model obyektin dəyişənləri arasındakı qarşılıqlı
əlaqəni riyazi düstur və ya belə düsturlar qrupu şəklində əks etdirir.
Modelləşdirmə iki başlıca əlamətə əsaslanır:
Fundamental təbiət qanunlarının sayının praktiki məhdudluğu prinsipi;
Oxşarlıq prinsipi, yəni müxtəlif fiziki təbiətli hadisələr eyni riyazi asılılıqlarla ifadə edilə bilər.
Modelin qurulması proseduru identifikasiya adlanır. Qeyd
edək ki, bu termin adətən dinamik obyektlərin analitik riyazi
modelinin qurulmasına aid edilir.
Dinamik obyekt – bu elə obyektdir ki, onun çıxış siqnalı giriş
siqnalının nəinki verilmiş qiymətindən, həm də bu siqnalların
zamanın sonrakı anlarındakı qiymətindən asılı olur. İdentifikasiya
olunan obyekt adətən şəkil 1.1-dəki formada təsvir edilir. Burada t -
zaman; )(tu - nəzarət olunan (bəzən idarə olunan) giriş siqnalı;
)(~
ty - obyektin nəzəri çıxış siqnalı; )(ty - obyektin izlənən çıxış
siqnalı; )(te - nəzərə alınmayan faktorların təsirini əks etdirən
additiv təsadüfi əngəl siqnalıdır.
Şəkil 1.1. İdentifikasiya olunan obyektin ümumi görünüşü.
Adətən fərz edilir ki, giriş və “nəzəri” giriş siqnalları arasın-
dakı əlaqə hər hansı (hər hansı funksiyanın digər funksiyaya
çevrilmə üsulu operatoru) operatoru formasında verilir.
)]([)(~
tuty
10
Bu halda obyektin çıxış siqnalı aşağıdakı kimi təyin edilə
bilər.
)()]([)( tetuty
İdentifikasiyanın əsas məqsədi giriş )(tu və çıxış )(ty
siqnallarının hər hansı zaman intervalında müşahidəsinə əsasən,
giriş və nəzəri çıxış siqnallarını əlaqələndirən operatoru müəyyən
etməkdir. Bəzi hallarda riyazi asılılığın tapılması məsələsini yalnız
analitik yolla həll etmək olar.
Bundan əlavə, digər nümunələrin müşahidəsindən belə
nəticəyə gəlmək olar ki, fiziki qanunlar və obyektdə baş verən
proseslərin istifadəsi ilə aparılan nəzəri analiz dəqiqliklə naməlum
parametrlərə qədər yalnız modelin strukturunu təyin imkan verir.
Əgər belə struktur məlumdursa (dəqiqliklə əmsalları vektoruna
qədər), bu halda məlum giriş )(tu siqnalı əsasında obyektin təsviri
aşağıdakı kimi verilə bilər.
)(),()( tetFty
harada ki, F - və zamandan t asılı olan forması məlum olan
funksiyadır.
Sonuncu tənlik müəyyən zaman intervalında giriş və çıxış
siqnallarının müəyyən edilməsindən sonra, hər hansı metod ilə
(məsələn, ən kiçik kvadratlar metodu) təcrübi verilənləri emal
edərək parametrlər vektorunun qiymətini tapmağa imkan verir.
Qeyd edək ki, modelin parametrlərinin təcrübi təyin edilməsində
aşağıdakılar təmin edilməlidir:
Modelin adekvat strukturunun seçilməsi;
Elə giriş siqnalının seçilməsi ki, təcrübələrin nəticələrinə əsasən modelin bütün parametrlərinin
qiymətlərini tapmaq mümkün olsun.
11
Xətti obyektlərin parametrlərinin təyin edilməsi məsələsi
daha asandır. Bu cür obyektlərdə superpozosiya prinsipi tətbiq
edilir. Burada 2 hal seçilə bilər.
1) Obyekt giriş təsirinə görə xəttidir: ~
2
~
12121
~
)](,[)](,[)]()(,[)( yytututututy
2) Obyekt parametrlərə görə xəttidir: ~
2
~
12121
~
)](,[)](,[)](,[)( yytutututy
İdentifikasiya məsələsində xətti obyekt dedikdə əsasən giriş
təsirinə görə xətti olan obyektlər nəzərdə tutulur.
Qeyd edilənləri nəzərə alaraq identifikasiya anlayışını
aydınlaşdırmaq olar.
Xətti kəzilməz stasionar dinamik obyektlərin modellərinin
əsas formaları və onların qarşılıqlı əlaqəsinə baxaq ( )(te küyünün
təsiri hələ nəzərə alınmır).
1. Diferensial tənlik.
na
i
nb
j
j
j
i
i tybtya0 0
)()( )()( formasına
malik daha universal modeldir. Burada na - modelin tərtibi
( nbna ), ia və jb - sabit əmsallar (modelin parametrləri), )()( tu j
və )()( ty i - müvafiq olaraq giriş və çıxış siqnallarının törəmələridir.
2. Ötürmə funksiyası. Verilən xarakteristika çıxış və giriş
siqnallarının Laplas çevirməsinə əsasən müəyyən edilir. Bu
çevirmənin xüsusiyyətləri və yuxarıda yazılmış düsturu nəzərə alsaq
alarıq:
na
i
i
i
nb
j
j
j
pa
pb
PU
PY
tuL
tyLpW
0
0
)(
)(
)}({
)}({)(
burada }{L - Laplas çevirməsinin simvolu, p – kompleks
dəyişəndir.
12
3. İmpuls xarakteristikası (İX) )(tw . İX dedikdə
qabaqcadan həyəcanlanmamış (daha doğrusu 0 başlanğıc şərtlərə
malik) obyektin )(t giriş siqnalına olan reaksiyası nəzərdə tutulur.
4. Keçid funksiyası )(th . Bu qabaqcadan həyəcanlanmamış
obyektin vahid pilləli giriş siqnalına qarşı olan reaksiyasıdır.
İdarəetmə nəzəriyyəsindən məlumdur ki, bu
xarakteristikalar arasında aşağıdakı əlaqələr mövcuddur.
)()}({ pWtwL , )()( thtw , p
pWthL
)()}({
0 başlanğıc şərtlər daxilində çıxış və giriş siqnalları
arasındakı əlaqə
dutwty )()()( inteqralı vasitəsilə, və ya
operator formada )()()( PUpWpY şəklində təsvir edilə bilər.
5. Tezlik xarakteristikaları. Obyektin tezlik
xarakteristikaları onun kompleks ötürmə əmsalı
jppWjW )()( ilə müəyyən edilir. Qeyd edək ki, bu ötürmə
əmsalı İX-nın Furye çevirməsidir. Məlumdur ki, kompleks ötürmə
əmsalının modulu )()( AjW ötürmə funksiyası )( pW olan
obyektin amplitud-tezlik xarakteristikasını (ATX), arqumenti isə
)())(arg( jW - faz-tezlik xarakteristikasını (FTX) müəyyən
edir.
Tezliyin 0-dan -a qədər dəyişdiyi halda )( jW -nın
kompleks müstəvidə qrafiki təsviri yəni, amplitud-faz-tezlik
xarakteristikasının polyar koordinatlarla təsvir edilmiş qrafiki bir
çox ədəbiyyatlarda holoqram, ingilisdilli ədəbiyyatlarda isə
Nayqvist diaqramı adlandırılır.
İdarəetmə nəzəriyyəsində əksər hallarda )(lg20 jW -a
bərabər olan loqarifmik amplitud-tezlik xarakteristikası (LATX)
istifadə olunur.
6. Vəziyyət dəyişənləri üçün model. Sistemin vəziyyət
dəyişənləri rolunda n koordinatının (məsələn, belə koordinatlar
13
olaraq çıxış siqnalı )(ty və onun n-1 törəmələri seçilə bilər)
seçilməsi zamanı, verilən sistemi vəziyyət dəyişənləri üçün
aşağıdakı tənliklərlə ifadə etmək olar.
)()()( tButAXtX ,
)()()( tDutCXty ,
burada Tn txtxtxtX )](),...,(),([)( 21 - vəziyyət dəyişənlərinin sütun
vektoru, A,B,C və D isə skalyar )(tu və )(ty şəraitində - uyğun
olaraq nn ölçülü matris, 1n və n1 ölçülü vektor və
skalyardır.
Sonuncu bərabərliklərə 0 başlanğıc şərtlər daxilində Laplas
çevirməsinin tətbiqi ötürmə funksiyasının aşağıdakı ifadəsini
almağa imkan verir.
DBApICpW 1)()( , burada I - vahid matrisdir.
Qeyd edək ki, göstərilən bütün modellər ekvivalentdirlər,
yəni, onlardan istənilən birini bilməklə digər qalanlarını almaq olar.
İşi bu və ya digər səbəbdən hər hansı diskret kTtk
(verilən halda T - diskretləşmə intervalıdır) zamanında ifadə edilən
obyektlər, yəni diskret obyektlər üçün fərq tənlikləri daha ümumi
təsvir forması hesab edilir.
12312111 ... nbknbkkknaknakk ububububyayay
burada ])[( Tikyy ik , ])[( Tjkuu jk .
Siqnallar arasındakı əlaqə həm də diskret açılış vasitəsilə
k
i
ikik uwy0
(burada iw obyektin həlledici çəki funksiyasının
ordinatıdır) və ya diskret ötürmə funksiyasına )(
)(
)(
)()(
zA
zB
zu
zYzW
Z-çevirmənin
0
)(k
k
k zyzY (burada pTez ) tətbiqi ilə əks
edilər bilər. Diskret ötürmə funksiyası isə fərq tənliyinin hər iki
tərəfinə Z – çevirməsi tətbiq etməklə müəyyən edilir.
)()...()()...1( 1231
21
2
2
1
1 zUzbzbzbbzYzazazanb
nb
na
na
14
Qeyd edək ki, həlledici impuls keçid xarakteristikasının Z
çevirməsi )(zW , yəni )(}{ zWwZ i -dir.
Onu da qeyd edək ki, praktikada bir çox hallarda kəsilməz
siqnalların ölçülməsində onlar zamanın diskret anlarına çevrilir ki,
bu da verilənlərin EHM-də sonrakı emalını asanlaşdırır. Belə bir
sual meydana çıxır: kəsilməz obyektləri təxmini də olsa diskret
modellərlə təsvir etmək mümkündürmü? Qeyd edək ki, belə hal
mümkündür və kəsilməz modeldən diskret modelə keçmək üçün
aşağıdakı üsullardan istifadə edilir.
1. Z-çevirməsinin tətbiqi ilə. Bu aşağıdakı kimi təsvir edilir:
)()()()()}({)( 1 kk wZzWwkTwtwpWLpW
2. Kəsilməz obyekti təsvir edən diferensial tənlikdə
törəmələrin fərqlə əvəz edilməsi ilə (verilən üsul yalnız T -nin kiçik
qiymətlərində lazımi dəqiqliyi təmin edə bilir ):
T
yy
dt
tdy kk 1)( ; 2
21
2
2 2)(
T
yyy
dt
tyd kkk və s.
3. )1()1(2 zzTp əvəzləməsi ilə (A.Tastin
tərəfindən təklif edilmiş bixətti çevirmə adlanan təqribi üsul) yəni,
)()(1
12 zWpWz
z
Tp
Kəsilməz sistemlərdə olduğu kimi diskret obyektlər üçün də
vəziyyət dəyişənləri ilə
11 kkk BuAXX ,
kkk DuCXy
ifadə olunmuş keçid funksiyası və tezlik xaraktersitikaları istifadə
edilə bilər.
Qeyd edək ki, pTez 1 gecikmə operatorudur yəni,
1
1
kk uuz , 22
kk uuz və s. Mövcud vəziyyəti nəzərə alaraq və
kəsilməz zaman kimi diskret zaman anlarını da t ilə işarə edib,
küyün də təsirini nəzərə almaq şərtilə zaman oblastında diskret
obyektlərin geniş yayılmış bir neçə modelinə baxaq.
15
1. Avtoreqresiya modeli AR (AutoRegressive) - ən sadə
yazılış hesab edilir:
)()()( tetyzA ,
burada nanazazazazA ...1)( 22
1
1
2. ARX modeli (AutoRegressive with External input) - daha
mürrəkəb formaya malikdir.
)()()()()( tetuzBtyzA ,
və ya çevrilmiş formada
)()(...)1()()(...)1()( 211 temtubtubtubntyatyaty nbna
burada və aşağıda )(te - diskret ağ küydür. 11
21 ...)( nbnbzbzbbzB
3. ARMAX model (AutoRegressive-Moving Average with
External input):
)()()()()()( tezCnktuzBtyzA
burada nk - gecikmənin ölçüsüdür. nc
nczczczczC ...1)( 22
1
1
4. “ Giriş-çıxış” modeli (ingilisdilli mənbələrdə belə model
“Output-Error” (“çıxış-səhv”) adlandırılır, qısaca olaraq OE).
)()()(
)()( tenktu
zF
zBty
burada nfnf zfzfzfzF ...1)( 22
1
1
5. Boks-Cenkins modeli.
)()(
)()(
)(
)()( te
zD
zCnktu
zF
zBzy
)(),(),( zCzFzB polinomları əvvəlcədən müəyyən edilib. nd
nd zdzdzdzD ...1)( 22
1
1
Verilən modellərə ümumiləşmiş parametrik xətti strukturun
)()(
)()(
)(
)()()( te
zD
zCnktu
zF
zBtyzA
xüsusi halı kimi baxmaq olar.
16
6. Vəziyyət dəyişənləri üçün model (State space):
)()()1( tButAxtx
)()()()( tvtDutCxty
harada ki, A, B, C, D – uyğun ölçülü matrislər, )(tv - isə
müşahidələrin korrelyasiya olunmuş küyüdür.
Verilən modelin başqa təsvir forması da (kanonik)
mövcuddur.
)()()()1( tKetButAxtx
)()()()( tetDutCxty
harada ki, K - müəyyən bir matris (sütun - vektor), )(te -
diskret ağ küydür (skalyar).
1.3. İdentifikasiya anlayışı və üsulları
İdentifikasiya – obyekt ilə onun axtarılan modelinin əsas
əlamətlərinin eyniliyi məsələsini öyrənən elmi istiqamətdir.
Avtomatik idarəetmə obyektlərinin müəyyən mənada
əlverişli modelini qurmağa imkan verən identifikasiya üsulları
obyektin təcrübi verilmiş koordinatları əsasında onun dinamik
modelini tapmaq məsələsini həll edir. Obyektin dəyişənləri
haqqında informasiya verildikdə onun struktur və parametrlərinin
seçilməsi identifikasiyanın keyfiyyətini xarakterizə edən müəyyən
meyara əsaslanır.
Obyektin strukturu, habelə onun modelinin hansı şəkildə
seçilməsi aprior məlumatdan, identifikasiyanın məqsədindən,
təcrübələrin təşkili və emalı imkanından asılı olub, əsasən evristik
xarakter daşıyır. Ona görə də həmin prosesi alqoritmləşdirmək
çətindir. Obyektin parametrlərinin seçilməsi isə ciddi riyazi
qaydalara əsaslanır.
İdentifikasiyanın məqsədindən asılı olaraq, obyekt haqqında
informasiyanın toplanması və emalı müxtəlif rejimdə, müxtəlif
17
vasitələrlə yerinə yetirilir. Əgər identifikasiyanın məqsədi obyekti
öyrənmək, yaxud müəyyən sistemi layihələndirməkdirsə, keçmiş
informasiyadan istifadə etmək və onu əldə olan hər hansı hesablama
vasitəsilə emal etmək olar. Əgər obyektin xarakteristikası qeyri –
stasionardırsa, real zamanda identifikasiya məsələsi həll edilməli,
bu məqsədlə cari informasiyadan və xüsusi emal vasitələrindən
istifadə olunmalıdır.
Sonuncu halda əksər vaxt obyektin normal iş rejiminə dair
cari informasiyanın sərbəst dəyişməsi müşahidə edilir. Bəzən
məqsədəuyğun şəkildə təşkil edilmiş aktiv təcrübələr nəticəsində
alınan informasiyadan istifadə etmək daha sərfəlidir.
İdarəetmə obyektinin növündən, verilən informasiyadan və
identifikasiya məqsədindən asılı olaraq müxtəlif keyfiyyət meyarı,
identifikasiya modeli və alqoritmi tətbiq etmək olar. Burada
sadalanan məsələlərin araşdırılması və səmərəli identifikasiya
üsullarının yaradılması identifikasiya nəzəriyyəsinin əsas
məzmununu təşkil edir.
Məlumdur ki, idarəetmə obyektinə u(t) giriş informasiyasını
müəyyən qayda ilə y(t) çıxış siqnalına çevirən operator kimi
baxmaq olar. y(t)Y kəmiyyətini almaq üçün u(t) funksiyası üzərində aparılan əməliyyatları simvolik olaraq y(t)=A(u(t)) kimi
ifadə etmək olar.
Məlum u(t), y(t) siqnallarına görə sistemin A operatorunun
tapılması kibernetik diaqnostikanın, yəni identifikasiya məsələsinin
əməli istiqamətidir.
Axtarılan A operatorunun şəklindən asılı olaraq parametrik və qeyri
- parametrik identifikasiya məsələləri həll edilir. Operatorun
strukturu əvvəlcədən verildikdə onun naməlum parametrlərini
tapmaq lazımdırsa, buna parametrik identifikasiya məsələsi deyilir.
Məsələn, tərtibi verilmiş xətti diferensial tənliyin, sıfır və qütbləri
sayı verilən ötürmə funksiyasının, aşkar şəkildə verilmiş çəki
funksiyasının naməlum əmsallarının tapılması parametrik identifi-
kasiya məsələsidir.
Giriş siqnalını çıxış siqnalına çevirən operator strukturu
aşkar olmayan bu və ya digər funksiya (yaxud onun qiymətləri)
18
kimi tapılırsa, bu, qeyri – parametrik identifikasiya məsələsi adlanır.
Məsələn, strukturu aşkar verilməyən keçid funksiyalarının
qiymətlər çoxluğunun, həqiqi və ya xəyali tezlik xarakteristika-
sının, ötürmə funksiyasının amplituda və fazasının tapılması qeyri-
parametrik identifikasiya məsələsi hesab edilir.
Qeyd edildiyi kimi, obyekt haqqında aprior informasiyadan,
təcrübənin aparılma imkanından, identifikasiyanın son məqsədindən
və bəzi digər amillərdən asılı olaraq hər hansı operatorun tapılması
parametrik, yaxud qeyri-parametrik identifikasiya məsələsinə
gətirilir.
Bu və ya digər identifikasiya məsələsinin həlli bir neçə əsas
mərhələyə ayrılır:
- obyektin mövcud iş şəraiti, habelə xassələri haqqında aprior məlumata əsasən identifikasiya üsulunun seçilməsi;
- obyektin iş şəraitinə uyğun sınaq təsirlərinin və sınaq rejiminin seçilməsi;
- təcrübi verilənlərin emal alqoritminin seçilməsi və ya tərtib edilməsi;
- verilənlərin emalı və nəticənin araşdırılması; - modelin obyektə oxşarlığının (adekvatlığının) yoxlanması; Ümumi şəkildə identifikasiya məsələsi aşağıdakı kimi qoyula bilər:
y=f(y,u,c,t), u(t 0 )=u 0 (1.1)
tənliyi ilə təsvir olunduğu güman edilən obyektin u(t) giriş
idarəetmə vektoru y * (t) çıxış vektoru təcrübi verildikdə elə c
parametrlər vektoru tapmaq lazımdır ki,
J= 1
0
)](),,([ *t
t
dttytcyF (1.2)
meyarı minimum olsun. Burada y * (t) – obyektin ölçülən çıxış
vektoru; y(t) – modelin çıxış vektoru; F(0) – xəta (itki) funksiyası; J
– identifikasiyanın keyfiyyət göstəricisidir.
19
Qeyd edək ki, ən ümumi halda (1.1) tənliyi qeyri-xətti
şəkildə olur. Habelə, y(t) vektorunun komponentləri sayı, yəni
modelin tərtibi verilmir. Bu halda naməlum parametrlər vektoruna
sistemin tərtibini göstərən ədəd də daxil edilir. Lakin sadəlik üçün
lazım gələrsə, tərtibi ardıcıl yaxınlaşma qaydası ilə seçmək
mümkün olduğundan, onu əvvəlcədən məlum parametr kimi qəbul
etmək məsləhətdir.
Xəta və ya itki funksiyası çox vaxt real obyektlə axtarılan
modelin çıxışları fərqinin kvadratik qiyməti kimi götürülür. Lakin
prinsipcə digər F() xəta funksiyalarından da istifadə etmək olar:
F()= 2 (t); F()=(t); F()= -ln p()
Burada (t)=y(t)-y * (t); p() – xətanın paylanma sıxlığıdır. Bu funksiyalardan asılı olaraq identifikasiyanın müxtəlif keyfiyyət
meyarı qəbul edilir.
Ümumiyyətlə, keyfiyyət meyarı itki funksiyasının riyazi gözləməsi
(yaxud orta qiyməti) kimi təyin edilir:
J(c)=M{F()}
Gələcəkdə hər bir identifikasiya üsuluna baxılarkən konkret J(c)
meyarından istifadə ediləcək. Odur ki, burada onları ətraflı şərh
etməyə ehtiyac yoxdur.
Dinamik obyektlərin identifikasiyası dedikdə onların riyazi
modelinin struktur və parametrlərinin təyin edilməsi başa düşülür.
Bu halda obyekt və modelin giriş siqnallarının bərabərliyi şərtində,
mövcud müəyyən keyfiyyət kriyeriyasına əsasən model və obyektin
çıxışının yaxınlığı təmin edilir.
Adətən identifikasiya çoxmərhələli prosedurdur. Onun əsas
mərhələləri aşağıdakılardır:
1) Struktur identifikasiya - nəzəri mülahizələrə əsasən riyazi
modelin strukturunun müəyyən edilməsindən ibarətdir.
20
2) Parametrik identifikasiya – identifikasiya təcrübəsinin
aparılması və təcrübi verilənlərə əsasən modelin parametrlərinin
qiymətinin tapılmasını özündə birləşdirir.
3) Adekvatlığın yoxlanması – seçilmiş kriteriyaya görə
model və obyektin çıxışının yaxınlığına əsasən modelin
keyfiyyətinin yoxlanması.
Qeyd edək ki, obyekt və onların modelləşdirilməsi üsulunun
müxtəlifliyi ilə əlaqədar parametrik identifikasiyanın həllinin şəkil
1.2- də göstərilmiş çoxlu sayda variantları mövcuddur.
21
Şəkil 1.2. İdentifikasiya məsələsinin növləri.
Obyektin
tipinə görə
Qeyri-xətti
Stasionar
Qeyri-stasionar
Diskret
Modelin görü-
nüşünə görə
İmpuls
xarakteristikası
Keçid
funksiyası
Tezlik xarak-
teristikaları
Diferensial
tənliklər
Fərq tənlikləri
İnformasiyanın
emalı üsuluna
gorə
Statik
Qeyri-statik
Təcrübənin
tipinə görə
Aktiv
Passiv
İdentifikasiya məsələləri
Xətti
Kəsilməz
22
2. EKSPERİMENTLƏRİN PLANLAŞDIRILMASI
2.1. Təcrübələrin təşkili və sınaq siqnalları vasitəsilə
identifikasiya
İdarəetmə obyektinin öyrənilməsi üçün xüsusi təcrübələr
aparmaqla keçid proseslərinə uyğun müəyyən xarakteristiaları
almaq lazımdır. Təcrübənin nəticələrini araşdırmaqla obyektin
xəttiliyi, qeyri-xəttiliyi, stasionarlığı, qeyri- stasionarlığı, sistemin
koordinatları arasında əlaqə dərəcəsi, kəmiyyətlərin dəyişmə
xarakteri və s. müəyyən edilir. Bu zaman təcrübənin planlaşdırması,
təsadüfi kəmiyyət və proseslərin statistik təhlil üsullarından istifadə
edilir. Aprior məlumat, habelə təcrübələr əsasında öyrənilən
obyektin idarəedici və həyəcanlandırıcı giriş təsirləri ilə çıxış
dəyişənləri arasında əlaqə kanalları müəyyən edilir.
Göstərilən ilkin araşdırmalar nəticəsində obyektin riyazi
modelinin tipi və ümumi quruluşu təyin edilir və sonrakı
təcrübələrin aprılması planlaşdırılır. Mövcud imkanlardan asılı
olaraq aktiv, yaxud passiv təcrübələr planlaşdırıla bilər. Aktiv
təcrübələrdə obyektin girişinə bu və ya digər şəkildə (məlum, yaxud
təsadüfi) həyəcanlandırıcı siqnal verilərək obyektin çıxış siqnalları
qeyd edilir.
Aktiv təcrübələr qısa vaxtda, daha az məlumat əsasında
obyektdə gedən səciyyəvi prosesləri üzə çıxarmağa, idarəetmə
məqsədini təmin edən informatik riyazi model almağa imkan verir.
Lakin aktiv təcrübələrdən sənaye qurğularında istifadə etmək
həmişə mümkün olmur. Çünki bu, texnoloji prosesin normal
gedişinin pozulmasına və digər xoşagəlməz hadisələrə səbəb ola
bilər. Ona görə də bəzən aktiv təcrübələrdən istifadə etmək sərfəli
deyildir.
Passiv təcrübələr zamanı obyektdə gedən prosesə müdaxilə
edilmədən onun əsas giriş və çıxış dəyişənləri qeyd edilir. Bu üsul
real sənaye qurğusunda bilavasitə müşahidələr aparmaqla alınan
informasiyadan, həm də arxiv maddilarından istifadə etməyə imkan
verir. Bunlar passiv təcrübələrin müsbət cəhətləridir.
23
Passiv təcrübələr obyekt üzərində uzunmüddətli müşahidələr
aparmağı, böyük həcmli məlumatın mürəkkəb alqoritmlərlə emalını
tələb edir. Obyektin parametrləri kiçik oblastda dəyişdiyi üçün bir
çox hallarda prosesi xarakterizə edən dəqiq model almaq olmur.
Aktiv təcrübələrin aparılması üçün həyəcanlandırıcı təsirin
tipi və parametrləri (amplitudası, tezliyi) seçildikdən sonra bu və ya
digər siqnala obyektin reaksiyası müşahidə edilir. Belə təcrübə
zamanı giriş və çıxış siqnalları məlum və ya təsadüfi xarakter
daşıya bilər. Şəkil 2.1 və 2.2-də uyğun olaraq ikilik və təsadüfi giriş
siqnallarına obyektin reaksiyası göstərilmişdir.
Bir sıra hallarda obyektin reaksiyasını öyrənmək məqsədilə
optimal təcrübə planlarından istifadə edilir. Bu zaman təcrübə planı
müəyyən optimallıq meyarına görə seçilir. Optimallıq meyarı kimi
giriş təsirlərinin qiymətlərindən düzəlmiş matrisin müəyyən
xarakteristikalarının minimallığı götürülür. Məsələn, D-optimal
adlanan planın qurulması aşağıdakı meyarla müəyyən edilir:
D( * )=min D( N ),
burada N - giriş siqnalının müxtəlif N ədədinə uyğun mümkün
qiymətləri çoxluğu; D() – dispersiya matrisidir. Əgər ortoqonal
plan qurmaq mümkündürsə, onda dispersiya matrisinin izini mini-
mumlaşdırmaq lazımdır. Bu məsələlər mümkün planlar çoxlu-
ğundan ən yaxşısını seçməyə və nisbətən az informasiya əsasında
praktiki tələb olunan dəqiqliyə malik model qurmağa imkan verir.
Diskret siqnallar ardıcıllığı üçün normallaşmış təcrübə planı
aşağıdakı kimi verilir:
=
N
n
PPP
tututu
,....,
)(),....(),(
21
21
24
Şəkil 2.1. Obyektin ikilik giriş siqnalına reaksiyası
Şəkil 2.2. Obyektin təsadüfi giriş siqnalına reaksiyası
25
burada pi - diskret u(ti) siqnalının tezliyidir.
Bu planlara uyğun alınan periodik ikili siqnallar aşağıdakı şərtləri
ödəməlidir:
M ,0)( jtu M 1)(2 jtu , M 0)( jjtu
burada u(t j ) – idarəedici giriş siqnalı; (t j ) – təsiri nəzərə
alınmayan və ölçülə bilməyən əngəl siqnallarıdır.
Bu halda identifikasiya məsələsi obyektin reaksiyasına y(t j )
diskret siqnallarına əsasən:
y(t j )=
1
1i
if (u(t j ))a i , j= N,1
şəkilli ifadədən a i parametrlərinin tapılmasına gətirilir. Burada
f i (u(t j )) verilmiş funksiyalardır. Bu zaman ən kiçik kvadratlar
üsulundan istifadə edilir.
Analoji olaraq başqa növ sınaq siqnallarında müəyyən
parametrlərin, yaxud müəyyən keçid xarakteristikalarının tapılması
məsələsinə baxıla bilər. Xüsusi hallarda təcrübi nöqtələri
aproksimasiya edən funksiyaların parametrləri axtarılır. Bu
baxımdan
k(t)=
r
i
ia1
t i , k(t)=
r
i 1
i ei t, ...
şəkilli impuls keçid funksiyalarının,
W(s)=
m
i
ib0
s i /
n
i
ia0
s i , m n
26
kimi ötürmə funksiyalarının naməlum parametrlərinin tapılması
qarşıya çıxa bilər.
Təcrübi tapılmış keçid xarakteristikalarını ortoqonal funksiya-
larla aproksimasiya etmək daha məqsədəuyğundur.
2.2. Tam faktorlu eksperimentlər əsasında identifikasiya
Çox faktorlu proseslər üçün, faktorlar arasında qarşılıqlı
statistik əlaqənin riyazi ifadəsini təyin etmək üçün eksperimentlərin
riyazi planlaşdırılması metodlarından istifadə edilir.
Müxtəlif faktorların dəyişməsi nəticəsində alınan effekti
klassik metodla təyin etdikdə yalnız bir faktordan başqa hamısı
sabit saxlanılır və baxılan intervalda yalnız bir faktor ardıcıl olaraq
dəyişdirilir. Bu metodun bir çox çatışmayan cəhətləri vardır, hətta
bəzi hallarda səhv nəticələrə gətirib çıxarır. Ən başlıça çatışmayan
cəhəti ondan ibarətdir ki, bu metodla faktorların qarşılıqlı əlaqəsini
tam aşkara çıxarmaq olmur.
Baxılan faktorlara uyğun gələn kxxx ,...,, 21 dəyişənlər
yığımını vektor-sütün
kx
x
x
x
2
1
şəklində göstərək. x vektorun təyin olunduğu k ölçülü fəza faktor fəzası adlanır.
Eksperimentlərin riyazi planlaşdırılması metodu klassik
metoddan fərqli olaraq, ondan ibarətdir ki, eksperiment apardıqda
yalnız bir parametr deyil, eyni zamanda baxılan prosesin bütün
faktorları dəyişdirilir. Bunun nəticəsində təcrübələrin sayı azalır,
əmək məhsuldarlığı artır və səhv nəticələrin alınması ehtimalı aşağı
27
düşür. Riyazi modelinin qurulması tələb olunan prosesin dəyişənləri
arasında qarşılıqlı əlaqənin xarakteri haqqında heç bir nəzəri
mülahizə yoxdursa, onda asılılığın növü aprior olaraq seçilir.
Reqressiya və korrelyasiya təhlilində olduğu kimi, burada da 1-ci və
2-ci tərtibli polinomlardan istifadə olunur. İki dəyişənli faktorlar
üçün bu polinomlar aşağıdakı kimi olur:
22110 хахаау (2.1)
Aktiv eksperimentin riyazi planlaşdırılmasında faktorların
əsas səviyyələrini və onların qiymətinin dəyişmə intervalını seçmək
lazımdır. Eksperimentin birinci addımında başlanqıc səviyyə olaraq
faktorlar üçün texnoloji prosesin normal rejiminə uyğun qiymətləri
seçilir.
Aktiv eksperiment apardıqda yazılışı və nəticələrin işlənməsi
prosesini sadələşdirmək üçün dəyişənlərin miqyasları elə seçilir ki,
faktorun yuxarı səviyyəsi +1-ə, aşağı səviyyəsi –1-ə, əsas səviyyəsi
«0»-a uyğun gəlsin. Arasıkəsilməz dəyişənlər üçün bu
normalaşdırmatələbi faktorlarının iх~ mütləq qiymətlərinin nisbi xi-
lərə çevrilməsi yolu ilə yerinə yetirilir, yəni:
i0iii I/x~x~х , (2.2)
harada ki, 0iх~ - dəyişənin əsas səviyyəsinin qiyməti, hansına görə
ki, dəyişmə aparılır, Ii - dəyişmə intervalı.
Eksperimentlərin riyazi planlaşdırılmasında iki növ aktiv
eksperiment tam faktorlu və kəsr faktoru eksperimentlər bir-
birindən seçilir.
Tam faktorlu eksperimentdə səviyyələrin bütün mümkün
birləşmələri kombinasiyaları reallaşdırılır. Baxılan prossesin
vəziyyətini qiymətləndirmək üçün sınaqların təcrübələrin sayı N bu
halda N = 2k olur ki, k – qiymətləri dəyişdirilən dəyişənlərin -
faktorların sayıdır. Belə ki, üç dəyişən üçün aşağıdakı planlaşdırma
matrisi üzrə 8 sınaq aparmaq lazımdır.
28
Sınaq nömrəsi x1 x2 x3 y
1 -1 -1 -1 y1
2 +1 -1 -1 y2
3 -1 +1 -1 y3
4 +1 +1 -1 y4
5 -1 -1 +1 y5
6 +1 -1 +1 y6
7 -1 +1 +1 y7
8 +1 +1 +1 y8
Tam faktorlu eksperimentin nəticələrinə əsasən (2.1) polino-
munun əmsalları təyin edilir:
k0,i
,N
xy
a
N
1j
ijj
i (2.3)
Burada i – faktorun nömrəsidir, xi faktoru i = 0 olduqda (x0) fiktiv
faktor adlanır və a0 əmsalının hesablanması üçün daxil edilir. Fiktiv
faktora bütün sınaqlarda sabit qiymət (məs. +1) verilir.
Tam faktorlu eksperimentin mənfi cəhəti ondan ibarətdir ki,
faktorların sayı artdıqca eksperimentlərin sayı çox böyük sürətlə
artır.
İkinci və yüksək tərtibli qarşılıqlı təsirlər olmadıqda və ya çox
kiçik olduqda tam faktorlu eksperimentin yalnız bir hissəsinə malik
planlaşdırma matrisinin reallaşdırılması məqsədəuyğundur ki, bu da
kəsr faktorlu eksperiment adlanır. Bu eksperimentin tətbiq olunma-
sının məzmunu ondan ibarətdir ki, polinomun hədlərinin sayı,
baxılan öyrənilən prosesə zəif təsir edən faktorların əsas faktorlarla
qarışdırılması hesabına azaldılır. Düzgün seçilmiş kəsr faktorlu
eksperiment planlaşdırılan müşahidələrin sayını kəskin azaldır.
Məsələn, tutaq ki, üç faktor üçün aşağıdakı reqressiya
tənliyinə baxılır:
29
311321123322110 xxxxxxxy
3211233223 xxxxx (2.4)
Bu halda tam faktorlu eksperiment qurulduqda səkkiz təcrübə
aparılmalıdır. Əgər x1x2 = x3 qəbul etsək, onda təcrübələrin sayını
dördə gədər endirmək olar ki, bu halda xətti reqressiya tənliyi
3322110 xbxbxbby (2.5)
planlaşdırma matrisi isə aşağıdakı kimi olacaqdır.
Təcrübə x0 x1 x2 x3 y
1 +1 -1 -1 +1 y1
2 +1 +1 -1 -1 y2
3 +1 -1 +1 -1 Y3
4 +1 +1 -1 +1 Y4
Həqiqətən, (2.4) ifadəsində x3 = x1x2 yazıb, 1х2
i
olduğunu nəzərə alsaq, (2.5) ifadəsini alarıq. Bu halda təyin
olunmuş hər bir əmsal iki nəzəri əmsalın cəmindən ibarət olacaqdır:
12331322231112300 b;b;b;b
yəni i əmsallarını ayrılıqda qiymətləndirmək mümkün olmur.
Faktorlar arasındakı əlaqəni ifadə edən reqressiya tənliyi
ikitərtibli polinom olduqda, yəni
k
1i,j
k
1i
2
iiiijij
k
1i
ii0 xbxbxbby
faktorların yalnız 2 səviyyəsi kifayət etmir. Bu halda 3 səviyyəli
plan - 3k tipli plan təklif olunur.
30
2.3.Kəsr faktorlu eksperimentlər əsasında identifikasiya
Faktorların sayı 3-dən çox olduqda, tam faktorlu eksperi-
ment (TFE) tədqiq olunan obyektin riyazi modelinin alınmasında
səmərəli hesab olunur. Bu halda faktorların sayının (n) artması
eksperimentlərin sayını kəskin artırır. Əlbəttə ki, bu da riyazi
modelin dəqiqliyini artırsa da eyni zamanda tələb olunan xərcləri və
vaxtı artırır.
Təcrübə göstərir ki reqressiya əmsallarının
qiymətləndirmələrini lazımi dəqiqliklə almaq üçün az saylı
təcrübələrlə kifayətlənmək olar. Bu məqsədlə kəsr faktorlu
eksperiment ( KFE) anlayışı daxil edilir ki, bu da TFE-nin müəyyən
(8
1,
4
1,
2
1 və s.) hissəsini təşkil edir və bəzi hallarda kəsr replikalar
adlandırılır.
Təcrübələrin sayının ixtisara salınması öz növbəsində
planlaşdırma matrisinin sütunları arasında korrelyasiya yaradır. Bu
isə faktorların ayılıqda və qarşılıqlı təsirlərini qiymətləndirməyə
imkan vermir.
Tutaq ki, obyektin çıxış kəmiyyəti (replikası) üç dəyişənli
xətti reqressiya ilə təyin edilir və bu halda TFE əsasında 8
eksperimentin aparılması tələb olunur. Bu məsələni KFE əsasında
planın 2
1 dəfə ixtisarla yerinə yetirilməsi üçün, TFE-nin üçüncü
faktoru( 3x ) olaraq, faktorların 21 xx hasili götürülür.( cədvəl 2.1)
Cədvəl 2.1
Eksperimentlərin planlaşdırma matrisi
Sınaq
x0
Plan Vəziyyət
dəyişəni yu x1 x2 x3=x1x2 x1x3 x2x3 x1x2x3
1 +1 +1 +1 +1 +1 +1 +1 1
y 2 +1 -1 +1 -1 +1 -1 +1
2y
3 +1 +1 -1 -1 -1 +1 +1 3
y 4 +1 -1 -1 +1 -1 -1 +1
4y
31
Bu plana əsasən b0, b1 b2 b3 reqressiya əmsallarını
qiymətləndirmək olar və bu halda reqressiya əmsallarının
qiymətləndirilmələri cütlüklərin qarşılıqlı təsirləri ilə qarışacaqdır,
yəni
1230
/
0
123
/
3
132
/
2
231
/
1
b
b
b
b
harada ki, i
-ümumi verilənlərin reqressiya əmsallardır; i
b -
onların qiymətləndirmələridir.
Bu eksperiment planında 1
x sütunu, 32
xx sütunu ilə, 2
x
sütunu isə 321
xxx sütuna 0
x sütunu ilə üst-üstə düşür.
KFE üçün 212
xxx qəbul etməklə başqa bir yarımreplika
reallaşdırmaq olar (cədvəl 2). Bu planlaşdırma matrisindən istifadə
edərək reqressiya əmsallarının qarışıq qiymətləndirilməsini almaq
olar:
2311 b
1322 b
1213 b
12300 b
32
Cədvəl 2.2
Eksperimentlərin planlaşdırılma matrisi
Sına
q 0
x
Plan Vəziyyə
t
dəyişəni
uy
1x
2
x
213
xxx
31
xx
32
xx
321
xxx
1
2
3
4
+1
+1
+1
+1
+
1
-1
+
1
-1
+1
+1
-1
-1
+1
-1
-1
+1
+1
+1
-1
-1
+1
-1
+1
-1
+1
+1
+1
+1
1y
2y
3y
4y
Göstərilən matrisləri birləşdirib, xətti effektləri ayrılıqda
təyin olunan 23 tipli planı alırıq. Birinci və ikinci sistemlər üçün
qarışıq qiymətlərini cəmləməklə və çıxmaqla, aşağıdakı sürüşməmiş
qiymətləndirmələri ala bilərik:
,2
,2
2
22
21
11
1
bbb
bbb və s.
Göstərilən misaldan aydın olur ki, TFE hissələrə elə bölünür
ki, KFE üçün olan ortoqonallıq və rototabellik kimi əsas
xüsusiyyətlər yerində qalır.
33
3. XƏTTİ STATİK MODELLƏRİN İDENTİFİKASİYASI
Bu hissədə bir və ya bir neçə dəyişənli xətti reqresiya
modellərinin xüsusiyyətlərinə və parametrlərinin hesablanmasına
baxılır. Bununla yanaşı, qeyri-xətti reqresiya modellərindən geniş
istifadə olunan parabolik reqresiya modelinin parametrlərinin
tapılması və bir çox başqa qeyri-xətti reqresiya modellərinin
xüsusiyyətləri açıqlanır. Proqnoz modellərində isə reqresiya üsulu
ilə yanaşı sürüşən orta və eksponensial formalama metodları izah
olunur. Göstərilən modellər və metodlar əsasən real misalların həlli
əsasında göstərilir və MS Excel proqram paketi vasitəsi ilə
kompüter reallaşdırılması verilir.
3.1. Xətti reqresiya modelinin parametrlərinin təyini
Fərz edək ki, x və y kəmiyətləri arasındakı əlaqəni təyin
etmək tələb olunur və bu məqsədlə n sayda müşahidələr və ya
eksperimentlərin nəticələri ( , ), i= ədədlər cütlüyü şəklində
təsvir olunmuşdur. Bu nəticələrə görə nöqtələrin paylanması qrafiki
olaraq qurulur (şəkil 3.1) və korrelyasiya əmsalının qiyməti (3.1)
ifadəsinə əsasən hesablanır.
Əgər olarsa, onda reqresiya
asılılığı şəklidə xətti funksiya ilə ifadə edilə bilər, yəni
(3.1)
harada ki, x – qeyriasılı, y isə asılı dəyişəndir; a və b isə reqresiya
tənliyinin əmsalları olub, b – düz xəttin dikliyini, a -isə y oxu ilə
kəsişmə nöqtəsini göstərir.
34
Şəkil 3.1. Müşahidə nöqtələrinin paylanması.
Burada əsas məsələ verilmiş statistik və ya eksperimental
verilənlər çoxluğunun müəyyən meyar əsasında məqsədə uyğun düz
xətlə aproksimasiya edilməsidir. Bu məqsədlə bütün nöqtələrin düz
xəttdən meyl etmələrinin kvadratları cəminin minimum olması
meyarından istifadə olunur ki, bu da ən kiçik kvadratlar metodu
(ƏKM) adlandırılır. ƏKM-in əsasını təşkil edən meyar
(3.2)
kimi ifadə edilir. Bu ifadənin minimum qiymətini təmin etmək üçün
a və b əmsallarına nəzərən (3.2) ifadəsindən xüsusi törəmələr alıb
sıfra bərabər etmək lazımdır, yəni
şərtlərindən
(3.3)
Y
X
35
tənliklər sistemi alınır ki, bu sistemin həlli əsasında (3.2) xətti
reqresiya modelinin a və b əmsallarının, (3.3) meyarının
minimumunu ödəyən qiymətləri aşağıdakı ifadələr əsasında
hesablanır
(3.4)
(3.5)
Beləliklə,a və b əmsalları tapıldıqdan sonra (3.1) modelinin
verilənlərə adekvatlığını orta kvadratik meyletmə əsasında
aşagıdakı kimi tapmaq olar:
(3.6)
–nin kiçik olması, tapılmış reqresiya modelinin adekvatlığının
yüksək olmasını göstərir.
Misal. Aşağıdakı nöqtələr çoxluğunun xətti reqresiya
modelini tapmalı.
Cədvəl 3.1.
2.0 5.5 4.0 11.0 5.54 -0.06 0.0036
4.0 6.3 16.0 25.2 6.33 0.03 0.0009
6.0 7.2 36.0 43.2 7.12 -0.08 0.0064
8.0 8.0 64.0 64.0 7.91 -0.09 0.0081
10.0 8.6 100.0 86.0 8.7 0.1 0.01
Cədvəldən aşağıdakı verilənləri tapırıq
36
Bu alınan qiymətləri (3.4) və (3.5) ifadələrində yerinə
qoymaqla aşağıdakıları alırıq
Beləliklə,axtarılan funksiya aşağıdakı kimi olacaq
Statik verilənlərin sayı çox olduqda belə məsələlərin həlli
çox vaxt tələb edir və hesablamalarda səhv etmək ehtimalı çoxalır.
Odur ki, MS Excel proqram paketinin köməyi ilə bu tip məsələləri
çox asanlıqla həll etmək və qrafiki təsvirini vermək mümkündür.
Bunun üçün isə yalnız verilənləri daxil edib və bir neçə MS Excel
funksiyalarından istifadə etmək lazım gəlir.
İndi isə yuxarıda göstərilən misalın MS Excel vasitəsilə
həllinə baxaq.
37
Başqa sözlə cədvəl 3.1-də göstərilən nöqtələr çoxluğundan
istifadə edərək (3.1) funksiyası ilə təyin olunan reqresiya asılılığını
tapmaq lazımdır. Bunun üçün aşağıdakı ardıcıllıqdan istifadə etmək
lazımdır.
1. x və y –in qiymətləri MS Excel cədvəlində A və B sütunlarinda yerləşdirilir və onlari qeyd edib Chart
Wizard düyməsini sıxmaq lazımdır.
2. Yeni açılmış pəncərədə qrafikin növünü seçmək lazımdır. Bu halda biz Scatter qrafikini seçib Next
düyməsini sıxmaq lazımdır.
3. Sonra qrafikin tipini və xüsusiyyətlərini daxil edib yenə də Next düyməsini sıxırıq.
4. Sonda qrafikin harada yerləşməsini təyin edib Finish düyməsini sıxırıq.
Şəkil 3.2. MS Excel-də alınmış xətti reqresiya modeli və onun
qrafiki təsviri.
Yuxarıda göstərilən əməliyyatlar ardıcıllığını yerinə yetir-
dikdən sonra şəkil 3.2-də göstərilən Excel vərəqini alırıq. Burada X-
verilən qiymət, Y-təcrübədən alınan nəticələr, y - hesablamadan
38
alınan qiymətlər, və isə (3.1) funksiyasının əmsallarıdır. y-i
tapmaq üçün biz və -in qiymətlərini bilməliyik. MS Excel-in
köməyi ilə bu əmsalları və R2-i qrafik üzərində təsvir edə bilərik.
Bunun üçün Chart menyusundan Add Trendline əmri seçilir.
Açılan pəncərədə reqresiyanın növü seçılır. Baxılan halda bu xətti
reqresiyadır. Sonra həmin pəncərədə Options menyusunda
funksiyanın və R2-in təsvir olunması üçün müvafiq xanalar seçilir.
və -in qiymətləri məlum olandan sonra C2 xanası seçilir və ora
aşağıdakı kimi funksiya daxil edilir və Enter düyməsi sıxılır:
=0,395*A2+4,75
Sonra C2 xanası seçılır və xananın konturunun aşağı sağ
küncündən kursor ilə seçilib C6-a qədər dartılır. Bu zaman X-in
bütün qiymətlərinə uyğun y-in qiymətləri hesablanıb təsvir
olunacaq.
Yuxarıda göstərilən əməliyyatlar MS Office 2003 proqram
paketi vasitəsilə həyata keçirilib. MS Office 2007 proqram
paketində isə yuxarıda göstərilən əməliyyatlar bir neçə düymənin
sıxılması vasitəsilə həyata keçirilir.
Burada da X və Y-in qiymətləri seçilir, sonra Вставка alətlər
panelindəki Точечная menyusundan Точечная с маркерами qrafik
növü seçilir (şəkil 3.3).
Şəkil 3.3. “Insert” alətlər paneli.
39
Sonra Работа с диаграммами alətlər panelinin Конструк-
тор alt alətlər panelində Макеты диаграмм menyusundan 9-cu
maket seçilir (Şəkil 3.4).
Şəkil 3.4. “Работа с диаграммами” alətlər paneli.
Bundan əlavə Работа с диаграммами alətlər panelindəki
Конструктор, Макет və Формат alətlər panelləri vasitəsilə
qrafikdə istənilən dəyişiklikləri etmək olar.
3.2. Çoxdəyişənli xətti reqresiya modelləri əsasında
identifikasiya
Sadə reqresiya modelindən fərqli olaraq, çoxdəyişənli
reqresiya modelində asılı olmayan dəyişənlərin sayı ikidən çox olur
və ümumi şəkildə aşağıdakı kimi ifadə edilir
(3.7)
Burada , - qeyri asılı dəyişənlərdir, ,
- isə uyğun dəyişənlərinin əmsallarıdır. Bu modelin
əsas üstün cəhəti onun böyük miqdarda mövcud informasiyadan
istifadə etməsi və bunun nəticəsində real şəraiti daha dolğun əks
etdirməsidir. (3.7) modelinin a və , əmsallarının
tapılması, sadə reqresiya modelində olduğu kimi ən kiçik kvadratlar
40
metodu əsasında tapılır. Məsələ, ikiölçülü halda n sayda verilənlərə
görə kvadratik xətanın
minnimum şərtindən aşağıdakı tənliklər sistemi alınır:
(3.8)
Bu tənliklər sistemindən axtarılan a, b, və b2 - əmsallarının
qiymətləri tapılır və ikiölçülü reqresiya modelinin orta kvadratik
meyletməsi isə
(3.9)
ifadəsi əsasında tapılır.
Ümumi halda m qeyri asılı dəyişənli reqresiya modeli
həndəsi olaraq (m+1) ölçülü fəzada hipermüstəvini təşkil edir.
Ikidəyişənli reqresiya modelinin həndəsi təsviri üçölçülü fəzada
şəkil 3.5.-də göstərilib.
41
Şəkil 3.5. İkiölçülü reqresiya modelinin həndəsi təsviri.
Misal. Aşağıdakı verilənlərin çoxdəyişənli reqresiya
modelini qurmalı:
Cədvəl 3.2.
20 305 35 6100 700 10675 93025 1225
15 130 98 1950 1470 12740 16900 9604
17 189 83 3213 1411 15687 35721 6889
9 175 76 1575 684 13300 30625 5776
16 101 93 1616 1488 9393 10201 8649
27 269 77 7263 2079 20713 72361 5929
35 421 44 14735 1540 18524 177241 1936
7 195 57 1365 399 11115 38025 3249
22 282 31 6204 682 8742 79524 961
23 203 92 4669 2116 18676 41209 8464
Y
X
2
X
1
42
Cədvəldən aşağıdakı verilənləri tapırıq
Bu qiymətləri (3.8) tənliklər sistemində yerinə yazsaq aşağıdakılar
alınacaq
Bu tənliklər sistemini həll etsək aşağıdakıları alacağıq
Alınanları (3.7) ifadəsində yerinə yazsaq çoxdəyişənli reqresiya
modelini almış oluruq
Sonda alınan bu ifadə ikidəyişənli reqresiya modelinin növlərindən
biridir.
43
3.3. Proqnozlaşdırma modelləri
Verilmiş iki kəmiyyət arasında mövcud olan əlaqəni tədqiq
etdikdə, əgər qeyri-asılı dəyişən kimi zaman (t) istifadə edilirsə,
onda bu statistik verilənlər zaman sırası adlanır. Bele sıraya misal
olaraq, Azenerji sistemində elektrik enerjisinə olan aylıq və ya illik
tələbatları, neft və qazçıxarmada ümumi hasilatın aylar və ya illər
üzrə dəyişməsi və s. göstərmək olar.
Zaman sıralarının təhlilində əsas məqsəd, verilən statistik
qiymətlərə əsasən, yazılan kəmiyyətin bir və ya bir neçə gələcək
anlardakı qiymətlərinin tapılmasından ibarətdir ki, bu proses
proqnozlaşdırma məsələsi adlandırılır. Bu məsələnin həlli, yəni
zaman sıralarının təhlili üçün əsasən üç növ modeldən istifadə
edilir:
1. Sürüşən ortalar metodu. 2. Eksponensial hamarlama modeli. 3. Reqresiya modeli. Sürüşən ortalar. Bu üsul proqnozlaşdırma məsələsinin həlli
üçün sadə yol olub, əvvəlki n sayda faktiki qiymətlərinin
ortalaşdırılması əsasında, növbəti anlardakı proqnoz qiymətlərinin
tapılmasına əsaslanır. Burada n ortalaşdırılan verilənlərin sayı olub,
3-7 intervalında qiymət alır və onun seçılməsi aparılmış
eksperimentlərin və ya statistik verilənlərin xüsusiyyətlərinə
əsaslanır.
Sürüşən ortalar əsasında proqnozlaşdırma məsələsinin
həllinin riyazi modeli aşağıdakı kimidir:
harada ki: t – cari dövr (an) üçün onun nömrəsi;
– növbəti dövr üçün proqnoz qiyməti;
– i-ci dövr (an) üçün faktiki müşahidə qiyməti;
44
n – ortalaşdırma ədədidir.
Aşağıda üç periodlu sürüşən ortaya (cədvəl 3.3. şəkil 3.6.)
və dörd periodlu sürüşən ortaya (cədvəl 3.4. şəkil 3.7.) aid misallar
verilib.
Cədvəl 3.3.
Saat P, QVat 3 Period
Sürüşən Orta
Saat
P,
QVat
3 Period
Sürüşən Orta
1 2,65
14 3,21 3,223333
2 2,55 15 3,18 3,226667
3 2,35 16 3,19 3,213333
4 2,30 2,516667 17 3,30 3,193333
5 2,35 2,4 18 3,55 3,223333
6 2,40 2,333333 19 3,60 3,346667
7 2,70 2,35 20 3,65 3,483333
8 2,90 2,483333 21 3,60 3,6
9 3,15 2,666667 22 3,45 3,616667
10 3,19 2,916667 23 3,30 3,566667
11 3,20 3,08 24 3,10 3,45
12 3,22 3,18 Proqnoz 3,283333
13 3,25 3,203333
45
Şəkil 3.6. Üç periodlu sürüşən orta.
Cədvəl 3.4
Saat P, QVat 4 Period
Sürüşən Orta
Saat P,
QVat
4 Period
Sürüşən
Orta
1 2,65 14 3,21 3,215
2 2,55 15 3,18 3,22
3 2,35 16 3,19 3,215
4 2,30 17 3,30 3,2075
5 2,35 2,4625 18 3,55 3,22
6 2,40 2,3875 19 3,60 3,305
7 2,70 2,35 20 3,65 3,41
8 2,90 2,4375 21 3,60 3,525
9 3,15 2,5875 22 3,45 3,6
10 3,19 2,7875 23 3,30 3,575
11 3,20 2,985 24 3,10 3,5
12 3,22 3,11 Proqnoz 3,3625
13 3,25 3,19
46
Şəkil 3.7. Dörd periodlu sürüşən orta.
Eksponensial hamarlama. Proqnoz məsələsinin həllindən
biz bir tərəfdən cari verilənlərdən istifadə etmək, digər tərəfdən
təsadüfi flaktasiyaları hamarlamaq üçün lazımi miqdarda
müşahidədə verilənləri istifadə etmək istəyirik. Başqa sözlə bir
tərəfdən kiçik n, digər tərəfdən isə böyük n götürmək istəyirik.
Əkslik təşkil edən bu iki məqsədə uyğun gələn metod eksponensial
hamarlama metodudur. Bu metodun riyazi ifadəsi aşağıdakı kimidir:
(3.10)
harada ki, - hamarlama sabiti olub intervalında
qiymət alır, - t periodunda eksponensial proqnozdur, - t
periodundakı faktiki qiymətdir. Hamarlama əmsalı , son (cari)
verilənə ( ) təyin edilmiş çəki əmsalı kimi interpretasiya oluna
bilər. Yerdə qalan çəkisi sonuncu proqnoz qiymətinə ( )
tətbiq edilir. Digər tərəfdən axrıncı proqnoz, ondan əvvəlki
47
verilənin ( ) və proqnozun ( ) çəkiləşmiş funksiyasıdır,
yəni
(3.11)
(3.11) ifadəsini (3.10)-də nəzərə alsaq, yaza bilərik
(3.12)
Axrıncı ifadədən görünür ki, faktiki qiyməti
çəkisi əmsalı -nin çəki əmsalından kiçikdir, əvvəlki
proqnoz qiymətinin ( ) çəkisi isə cari proqnoz
qiymətinin ( ) çəkisindən kiçikdir.
Hesablama zamanı başlanğıc period üçün proqnoz qiyməti
( ) həmin period üçün faktiki qiymətə bərabər götürülür, yəni
. Sonrakı proqnoz qiymətləri (3.10) ifadəsi əsasında
hesablanır. Aşağıda eksponensial hamarlamaya aid misal gostərilib
(cədvəl 3.5. şəkil 3.8.).
Cədvəl 3.5.
Saat P, QVat Esponensial
hamarlama
Saat P,
QVat
Eksponensial
hamarlama
1 2,65 2,65 14 3,21 3,24
2 2,55 2,65 15 3,18 3,22
3 2,35 2,58 16 3,19 3,19
4 2,30 2,42 17 3,30 3,19
5 2,35 2,34 18 3,55 3,27
6 2,40 2,35 19 3,60 3,47
7 2,70 2,38 20 3,65 3,56
48
8 2,90 2,61 21 3,60 3,62
9 3,15 2,81 22 3,45 3,61
10 3,19 3,05 23 3,30 3,50
11 3,20 3,15 24 3,10 3,36
12 3,22 3,18 Proqnoz 3,18
13 3,25 3,21
Şəkil 3.8. Eksponensial hamarlama
3.4. Xətti obyektin süzgəclər vasitəsilə identifikasiyası
Xətti obyektləri istismar şəraitində operativ identifikasiya
etmək üçün səmərəli üsullardan biri xüsusi süzgəclərə uyğun
alqoritmdən istifadə etməkdir.
Tutaq ki, tədqiq olunan obyektin hərəkəti aşağıdakı diferensial
tənliklə ifadə olunur:
rn
j
m
i
i
i
j
j
n nmbtubtxatx0 0
0 ,0, (3.13)
49
burada u(t) və x(t) uyğun olaraq obyektin giriş və çıxış
koordinatları; x(j)
– zamana görə j tərtibli törəmə; bj – naməlum
əmsallar; τ – sabit gecikmə müddətidir.
Fərz edək ki, aj əmsalları Hurvis şərtlərini ödəyir, obyektin çıxış
siqnalı dövri deyil və ctt ,0 zaman intervalında mövcuddur. (3.13) tənliyindəki naməlum əmsalları və τ parametrini tapmaq
tələb olunur.
Bundan əlavə, xüsusi süzgəclərin bütün koordinatlarının (uj(t),
xj(j)
(t) funksiyalarının) müşahidə olunduğu fərz edilir. Süzgəcin çəki
funksiyası ilə uj və xij siqnalları arasındakı əlaqə aşağıdakı kimidir:
ct
j
i
j
j njidxtktx0
1
11
11,1,, (3.14)
ct
ii dutktu0
11 (3.15)
burada 1 nrrtki tərtibli dayanıqlı xətti süzgəcin impuls keçid funksiyasıdır. Həmin funksiyalar xətti asılı deyil. 1-
qiymətləndirilən, yəni sazlana bilən parametrdir. Bundan əlavə,
süzgəcə müşahidə olunan u(t)=ui(t-1) siqnalı da daxildir. Süzgəc
kimi, girişinə parametri sazlanan gecikmə bəndi qoşulmuş, r sayda
paralel birləşən ətalətli bəndlərdən istifadə edilir. Ətalətli bəndin
ötürmə funksiyası 1 (Ts+1) şəklindədir.
Yuxarıda qeyd edilən şərtlərə uyğun olaraq (3.15) obyektinin
identifikasiyası iki mərhələdə aparılır. Birinci mərhələdə u(t)
siqnalını yol verilən intervalda dəyişməklə parametrinin (sabit
gecikmənin) qiyməti tapılır. Bu zaman obyektin gecikmə müddətini
kifayət qədər dəqiqliklə aşağıdakı kimi ifadə etmək olar:
tkt 1 ; (3.16)
50
n
i
n
j
c
j
i
n
i
n
j
j
i
ttttx
tttxtsignu
t
0 0
0 0
,,1,0
,00,)(
t==const
burada 0() - verilmiş ədədinin sıfır tərtibli qiymətləndirilməsi (
nə qədər kiçik olarsa, qiymətləndirmə o qədər dəqiq olar); k - sabit
miqyas əmsalı; xi(j)
(t) – (3.14) ifadəsi ilə təyin olunan məlum
funksiyalar; t - gecikmə müddətinin axtarılan qiyməti; tc –
müşahidə, (yəni identifikasiya) müddətidir.
Qeyd edək ki, xi(j)
(t) və ui(t), 1,ttt süzgəcin müşahidə oluna bilən aralıq koordinatlarıdır.
İkinci mərhələdə obyektin parametrlərini qiymətləndirmək
üçün aşağıdakı şərt ödənməlidir:
ctttсtX ,,0det 0 (3.17)
Burada X(t)-(n-1)x(n+1) ölçülü kvadrat matrisdir.
kijkj
ik txtxtx ,1,1 ni nj ,0
1 – in qiyməti məlum olduqda xi(j)
(tk) və uj(tk),
)1,1,( nji koordinatlarının, ck ttt , müddətində diskret qiymətlərindən istifadə etməklə (3.14) obyektinin naməlum
parametrlərini ən kiçik kvadratlar üsulu ilə tapmaq olar:
yC TT 1 (3.18) burada C=(an-1,...,a1,a0,b0,...,bm) – obyektin axtarılan parametrlər
vektorudur; φ - elementləri φi olan
51
qiqiq
n
iq
n
i
ii
n
i
n
i
i
tutxtxtx
tutxtxtx
...
...
21
111
2
1
1
rni ,1
(3.19)
q·n ölçülü matrisdir (q n); y - elementləri yi olan ,,...,1
T
q
n
i
n
ii txtxy rni ,1 (3.20)
q ölçülü sütun vektorudur.
Strukturu r tərtibli süzgəcdən istifadə edildikdə (3.19) və (3.20)
ifadələri aşağıdakı kimi olar:
1
0
111
1
0
111111
......
..........................................................
......
n
j
qiqiqnjinjn
n
j
iinjinjn
tutxtxcT
tutxtxcT
(3.21)
52
4. QEYRİ-XƏTTİ STATİK MODELLƏRİN
İDENTİFİKASİYASI
4.1. Parabolik reqresiya əsasında identifikasiya
Mövcud çoxsaylı qeyri-xəttiliklərin içərisində
modelləşdirmə praktikasında daha çox istifadə olunanlarından
polinomial, loqarifmik və eksponensial reqresiya modellərini
göstərmək olar.
Polinomial modellər geniş qeyri-xəttilik sinfini xarakterizə
edir və biri-birindən polinomun tərtibi ilə fərqlənir. Bunlardan
proseslərin modelləşdirmə daha çox istifadə olunanı 2-ci tərtibli
polinom olub, parabolik reqresiya modeli adlandırılır və aşağıdakı
asılılıqla ifadə olunur:
(4.1)
harada ki, , və parabolik asılılığıb parametrləri olub, an
kiçik kvadratlar metodu əsasında aşağıdakı sistem tənliklərin
həllindən tapılır:
(4.2)
53
Şəkil 4.1. Azərenerjinin 2008-ci ildə elektrik şəbəkəsinə verdiyi
elektrik enerjisinin aylıq sərfiyyat diaqramı.
Misal. Parabolik reqresiya modelindən istifadə edərək Azər-
enerjinin 2008-ci ildə elektrik şəbəkəsinə verdiyi elektrik enerjisinin
aylıq sərfiyyatının riyazi modelini təyin etməli (şəkil 4.1).
Şəkil 4.1-də təsvir olunmuş diaqramdakı nöqtələr çoxluğu-
nun parabolik reqresiya modelini təyin edək.
Cədvəl 4.1
Ay
( )
E.E.
( )
1 1 1 1 22.8 22.8 22.8
2 4 8 16 20.5 41 82
3 9 27 81 18 54 162
54
4 16 64 256 15.5 62 248
5 25 125 625 14.9 74.5 372.5
6 36 216 1296 13.9 83.4 500.4
7 49 343 2401 14.8 103.6 725.2
8 64 512 4096 15.1 120.8 966.4
9 81 729 6561 13.7 123.3 1109.7
10 100 1000 10000 15.2 152 1520
11 121 1331 14641 16.7 183.7 2020.7
12 144 1728 20736 20 240 2880
Cədvəldən aşağıdakı verilənləri tapırıq.
Bu qiymətləri (4.2) tənliklər sistemində yerinə yazsaq aşağıdakılar
alınacaq:
(4.2)
(4.2) tənliklər sistemini həll edərək alırıq,
55
Yuxarıda alınanları (4.1) ifadəsində nəzərə alsaq
Azərenerjinin 2008-ci ildə elektrik şəbəkəsinə verdiyi elektrik
enerjisinin aylıq sərfiyyatının riyazi modelini aşağıdakı kimi yaza
bilərik:
Parabolik reqresiya modelini MS Excel proqram paketi
vasitəsilə çox asanlıqla həll etmək mümkündür.
Yuxarıda qeyd olunan məsələnin riyazi modelini təyin edək
və qrafiki təsvirini alaq. Bunun üçün MS Excel 2007 proqram
paketində pir neçə əməliyyatlar ardıcıllığından istifadə etmək
lazımdır (şəkil 4.2):
Şəkil 4.2. MS Excel 2007 vasitəsilə Parabolik reqresiya modelinin
təyini və qrafiki təsvirinin alınması.
56
1. Aylar və Elektrik enerjisi sərfiyyatı şəkil 4.2 göstərildiyi kimi qeyd edilir.
2. Вставка alətlər panelindəki Точечная menyusundan Точечная с маркерами qrafik növü seçilir.
3. Работа с диаграммами alətlər panelinin Макет alt alətlər panelindəki Линия Тренда menyusundan
Дополнительные параметры линии тренда əmri
seçilir.
4. Açılan yeni pəncərədə polinomial aproksimasiya qeyd olunur və dərəcəsi 2 qeyd edilir. Sonda riyazi modelin
polinomunun və R2-nın qrafikdə təsvir olunması üçün
uyğun xanalar seçilir və pəncərə bağlanır.
5. Sonda şəkil 4.2-da göstərildiyi kimi qrafik alınacaq. Bundan əlavə Работа с диаграммами alətlər panelindəki
Конструктор, Макет və Формат alətlər panelləri vasitəsilə
qrafikdə istənilən dəyişiklikləri etmək olar.
4.2. Loqarifmik reqresiya əsasında identifikasiya
və dəyişənləri arasında aşağıda göstərildiyi kimi
əlaqəni tapaq:
(4.3)
harada ki, və loqarifmik asılılığı xarakterizə edən sabit
əmsallardır. Bu əmsallar aşağıdakı ifadələr vasitəsilə tapılır:
(4.4)
57
(4.5)
Misal. Aşağıdakı nöqtələr çoxluğunun loqarifmik reqresiya
modelini tapmalı.
Cədvəl 4.2
1 3 0 0.4771 0 0
2 12 0.301 1.0791 0.0906 0.3248
3 27 0.4771 1.4313 0.2276 0.6829
4 48 0.602 1.6812 0.3624 1.0122
5 75 0.6989 1.875 0.4885 1.3106
6 108 0.7781 2.0334 0.6055 1.5823
Cədvəldən aşağıdakı verilənləri tapırıq.
Bu qiymətləri (4.4) və (4.5) ifadələrində yerinə yazsaq aşağıdakılar
alınacaq
58
Beləliklə, verilmiş nöqtələr çoxluğuna uyğun olan bərabərlik belə
olacaq
harada ki, 3 – 0.477-nin antiloqarifmasıdır.
Bu məsələnin MS Excel vasitəsilə parabolik reqresiyanın
həlli üsulu ilə həll etmək mümkündür.
4.3. Eksponensial reqresiya əsasında identifikasiya
İki dəyişənin ən sadə eksponensial asılılığı bu şəkildə
yazılır.
(4.6)
harada ki, və - eksponensial asılı olan kəmiyyətlərdir. Bu
kəmiyyətlər aşağıdakı ifadələrlə tapılır
(4.7)
(4.8)
harada ki, .
59
Misal. Aşağıdakı verilənlər arasındakı (4.6) asılılığını
tapmalı:
Cədvəl 4.3
x 2 3 4 5 6 7 8 9 10
y 3.5 5 6.2 9 13 16 23 40 40
Şəkil 4.3. Eksponensial asılılığın qrafiki təsviri.
Nöqtələri şəkil 4.3.-də göstərildiyi kimi qrafikdə qeyd edək
və həmin nöqtələrin üzərindən maksimum aöroksimasiya olunmuş
düz xətt çəkək. Düz xəttin y oxunu kəsdiyi nöqtə 2-dir. Deməli
və alırıq. Indi isə qrafiki düz xətdən istənilən
nöqtə seçilir, məsələn x=5 və y=9. Sonra bu qiymətləri (4.6)
ifadəsində yerinə qoyub alırıq.
60
Bu ifadəni -ə nəzərən həll etsək
Sonda axtarılan ifadə bu şəkildə olacaqdır.
4.4. Ümumiləşmiş ən kiçik kvadratlar üsulu ilə
identifikasiya
Burada ən kiçik kvadratlı metodu xətti birölçülü obyektlərin
identifikasiyası üçün izah edilir. Tutaq ki, stasionar obyektlərin
koordinatlarının təcrübi qiymətlərinə əsasən onun diskret ötürmə
funksiyasını təyin etmək lazımdır.
Cədvəl 4.4
F Giriş Çıxış
u y*
1
2
3
.
.
.
N
u (1)
u (2)
u (3)
.
.
.
u (N)
y*
(1)
y*
(2)
y*
(3)
.
.
.
y*
(N)
Obyektin diskret ötürmə funksiyası ümumi şəkildə
61
k
m
m
m
m zzbzb
zazaazw
...1
...)(
1
1
1
10 (4.9)
kimi götürülür və m, k, ao, a1, . . . , am, b1, . . ., bm kəmiyyətlərini
qiymətləndirmək tələb edilir. Burada m – obyektin tərtibi, k-
gecikməni nəzərə alan kəmiyyət, ,,0 miai mibi ,1 əmsallardır. (4.9) funksiyasına uyğun gələn fərq tənliyi
TiknuaTinybnTyi i
mm
i
i)()()(
01
(4.10)
kimi, onun həlli isə
TinybTiknuanTym
i
i
m
i
i)()()(
10
kimidir. ,,0 miai mibi ,1 əmsallarını təyin etmək üçün
m
mkn
nTynTyF1
2* min)()(
şərtindən istifadə edilir. Bunun üçün F-dən ,,0 miai mibi ,1 əmsallarına görə xüsusi törəmələr alıb, sıfıra bərabər etsək:
;,1,0;,0,0 midb
dFmi
da
dF
ii
(4.11)
(4.12) xətti tənliklər sisteminin ai (i =0, m) və bi (i = 1, m) naməlum
parametrlərinə nəzərən həlli onların axtarılan qiymətlərini verir.
Sadəlik üçün bundan sonra matris yazılışından istifadə edəcəyik. Bu
halda (4.12) tənliklər sisteminin həlli
C = [UTU]
-1U
Ty
* (4.12)
kimi olar.
Burada
62
CT= (ao, a1, a2, …, am, -b1, -b2, …, -bm)
diskret ötürmə funksiyasının axtarılan parametrlər vektoru;
mNymymymkNumkNukNu
mykmykmyukuku
mykmykmyukuku
U
21
1221
1111
təcrübəli qiymətlər cədvəlindən yaradılmış matris;
yT= [y (k+m+1), y (k+m+2) ... y (N)]
təcrübi qiymətlərə uyğun sütun vektoru; k- obyektin gecikməsini
nəzərə alan kəmiyyət (təcrübi və ya iterasiya üsulu ilə təyin edilə
bilər); m- ötürmə funksiyasının tərtibidir; m və k ədədləri iterasiya
qaydası ilə aşağıdakı kimi seçilir; əvvəlcə m=1, sonra m=2 və s.
qiymətləri üçün c vektoru təyin edilir. Elə m qiyməti və ona uyğun
olan c vektoru seçilir ki, qalıq dispersiyası minimum olsun və ya m-
in qiymətinin artırılması qalıq dispersiyasının qiymətinə
əhəmiyyətli dərəcədə təsir etməsin. k və m-in elə qiymətləri
götürülür ki, həmin qiymətlərdə qalıq dispersiyası minimum olsun
və ya m-in daha yüksək qiymətində qalıq dispersiyası əhəmiyyətli
dərəcədə azalmasın.
Obyektin bir neçə girişi olduqda U matrisi və Y* vektoru
dəyişəcək, hesablama alqoritmində isə prinsipial dəyişiklik
olmayacaq. Əgər obyektin çıxışı çox olarsa onlar arasında
korrelyasiya olmazsa, belə obyektə birçıxışlı bir neçə obyekt kimi
baxmaq olar. Obyekin çıxışının r sayda girişlərdən asılılığı
63
r
k
mr
m
r
mr
m
rr
o
k
m
m
m
mok
m
m
m
mo
uzzbzb
zazaa
uzzbzb
zazaauz
zbzb
zazaay
r
...1
......
...1
...
...1
...
1
1
1
1
2212
1
212
1
2
11
1
111
1
1
21
ifadəsi ilə göstərilə bilər. Matris formasından istifadə etsək, həll
yenə də (4.5) kimi olacaq. C, Y* vektorları və U matrisini uyğun
olaraq belə yazmaq olar:
;............211
22
1
211
1
1 T
m
r
m
rr
omomobbbaaaaaaaaaC
)()...1()( NmymymyY
mNynymkNukNukNumkNukNu
kykmyumumuumu
kykmyumumuumu
U
rr
rr
rr
1
2222222
1111111
211
211
211
Rekurrent ən kiçik kvadratlar üsulu. Bu üsul qeyri-stasionar
obyektlərin real zamanda identifikasiyasına tətbiq edilir. Üsulun
əsas mahiyyəti sistemin işinin hər bir mərhələsində ötürmə
funksiyasının əmsallarını təshih etməkdir:
c(n+1) = c(n)+ (n) [Y*(n+1)-YT (n+1) c (n)],
burada c (n+1) və c (n)-ötürmə funksiyasının əmsallarından ibarət
vektorun uyğun olaraq (n+1) və n-ci mərhələdəki qiymətləri: (n)
təshihedici vektorun n-ci mərhələdəki qiyməti; Y* (n+1)-çıxış
64
dəyişəninin (n+1)-ci mərhələdəki ölçülən qiymətidir. Təshih
vektoru
)1()(1)1()()1(
1)1()1()(
nnP
nnPnnnPn
T
kimi təyin edilir.
P(n+1)=[1- (n)φT(n+1)] P (n)
φ (n+1)-giriş və çıxış kəmiyyətlərindən tərtib edilmiş vektorudur:
φT (n+1)= [u(n-k), u(n-k-1), ...., u (n-k-m), y(m+1), y (n), ...., y (n-
m+1)]
c vektoru və P matrisinin başlanğıc qiyməti c(0)=0 P(0)= I kimi təyin edilir. Burada I-vahid matris; -yığılma əmsalıdır. Onun qiymətini düzgün seçməklə, yüksək yığılma surətinə malik
hesablama prosesi almaq olar.
Ümumiləşmiş ən kiçik kvadratlar üsulu ilə identifikasiya. Stoxastik obyektlərin adi ən kiçik kvadratlar üsulu ilə identifikasiya
zamanı ötürmə funksiyasının əmsalları öz qiymətlərindən fərqli
alınır. Stoxastik obyektlərin identifikasiya etmək üçün ümumi-
ləşmiş ən kiçik kvadratlar üsulu, maksimum oxşarlıq, stoxastik
aproksimasiya üsulları və s.-dən istifadə etmək olar.
Ümumiləşmiş ən kiçik kvadratlar üsulunu nəzərdən keçirək.
Stoxastix obyektin çıxış siqnalı
)(....1
....)(
.....1
.....)(
1
1
1
10
1
1
1
10 zVzbzb
zgzggzUz
zbzb
zazaazY
m
m
m
mk
m
m
m
m
ifadəsi ilə təyin edilir. Burada U-obyektin girişi, Y-çıxışı, V-
obyektə təsir edən korrelyasiya olunmamış təsadüfi siqnaldır.
İdentifikasiya meyarı kimi
65
n
n
ntF1
min)( götürülür. Ε (nt)-ümumiləşmiş xətadır və
c(z)=
)(......
....1)(
......
.....1
10
1
0
1
10
1
1 zVzzgzgg
zazazy
gzzgg
zbzbb km
m
m
m
m
m
m
mo
kimi təyin edilir.
Bu üsul əslində bir neçə dəfə icra olunan ən kiçik kvadratlar
üsulunda ibarətdir və alqoritm aşağıdakı kimidir:
1. Ən kiçik kvadratlar üsulu vasitəsilə
C=[UiTUi]
-1 Ui
TYi
vektoru təyin edilir. i=1 olduqda, yəni başlanğıcda Ui matrisi və Yi
vektoru təcrübi cədvəldən ən kiçik kvadratlar üsulunda olduğu kimi
tərtib edilir. i>1 olduqda isə yenə həmin qayda ilə, lakin sonrakı
verilənləri hamarlamaqla alınan cədvəldən istifadə edilir.
2. Xətalar vektoru təyin edilir:
E i (nt) = Y*
i (nt) – Yi (nt), n = N,1
Y*i (nt) – çıxışın təcrübi qiyməti, Yi (nt) isə çıxışın C vektoru
vasitəsilə hesablanmış nəzəri qiymətləridir.
3. Xətalar vektoruna əsasən avtoreqressiya modeli yenə də
ən kiçik kvadratlar üsulu ilə qurulur:
di = [ET
i R]-1
ET
i Ei
di – i-ci interasiyada alınan avtoreqressiya əmsalları vektorudur.
Ei vektoru və Ri matrisi aşağıdakı kimi tərtib edilir.
;)(),...,2(),1( NmmEiiii
T
66
mNNN
mm
mm
R
iii
iii
iii
21
21
11
4.Giriş və çıxış siqnalları avtoreqressiya modeli vasitəsilə
hamarlanır.
TmnudTnudnTuntumii
)(...)1()()(
TmnydTnydnTynTymii
)(...)1()()(
5. Alınmış ui , yi kəmiyyətlərindən istifadə etməklə
əməliyyat birinci bənddən başlayaraq təkrar olunur. Əməliyyatın
sonu iki ardıcıl iterasiyanın nəticəsi ilə təyin olunur. Əgər
)()(1
1
1
ntntN
n
i
N
n
i
olarsa, əməliyyat dayandırılır, əks təqdirdə növbəti iterasiya yerinə
yetirilir. - verilmiş kiçik kəmiyyətdir. İndi də ümumiləşmiş ən kiçik ən kiçik kvadratlar üsulunun
rekurrent variantına baxaq.
Bu üsula uyğun identifikasiya alqoritmi
c(k+1)=c(k)+ (k) [y(k+1)-φT (k+1) c (k)]
şəklindədir. Göründüyü kimi, b